公开(公告)号：CN119992538A

公开(公告)日：2025-05-13

申请号：CN202510124871.2

申请日：2025-01-27

Applicant: 哈尔滨理工大学

Inventor： 夏德旭 ,  王薇

IPC: G06V20/68 ,  G06V10/44 ,  G06V10/80 ,  G06V10/764 ,  G06V10/82 ,  G06N3/045 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 一种基于深度学习的食品图像识别与热量检测方法，属于图像识别算法领域。现有食物、食品识别方法在食物被遮挡时会造成特征损失、包含有噪声和局部混叠等问题，从而干扰识别算法对面部特征的提取和匹配。一种基于深度学习的食品图像识别与热量检测方法，包括：建立模拟食物图像的数据集，并进行预处理；预处理包括图像遮挡处理、食物目标检测数据集预处理、创建遮挡检测网络需要的数据集；确定检测存在遮挡情况的食物图像用的检测网络以及图像填充网络；构建用于判断待检测食物图像是否存在遮挡情况的判断网络；构建对存在遮挡情况的食物图像进行检测的检测网络，得到最终结果。本发明提高了识别精度。

公开(公告)号：CN119202777A

公开(公告)日：2024-12-27

申请号：CN202410772007.9

申请日：2024-06-16

Applicant: 哈尔滨理工大学

Inventor： 席亮 ,  王薇 ,  李涤尘

IPC: G06F18/24 ,  G06F18/214 ,  G06N3/0895 ,  G06N3/084 ,  G06N3/049 ,  G06N3/088 ,  G06N3/0455

Abstract: 本发明提出一种基于多密度掩码的时间序列自监督表示学习方法，属于表示学习领域。针对高维时序数据对标签的依赖问题以及传统的时序表示学习方法存在较强的归纳偏差且缺乏对时序关系多层次建模的问题，提出一种基于多密度掩码的时间序列自监督表示学习方法。本发明创新性地提出了一种新的数据增强策略：多密度掩码，该增强方式不会引入未被重视的归纳偏差且容易捕获序列的细粒度信息，同时可以通过跨视图预测任务捕获时间序列的上下文关系。最后通过多层次的对比学习能够进一步建模时序的多粒度时间依赖关系。从而提高表示学习的质量。将所提的表示学习框架应用于时序分类的下游任务，能达到提升准确率的目的，实验结果验证了所提方法的有效性。

公开(公告)号：CN118779693A

公开(公告)日：2024-10-15

申请号：CN202410772008.3

申请日：2024-06-16

Applicant: 哈尔滨理工大学

Inventor： 席亮 ,  李涤尘 ,  王薇

IPC: G06F18/24 ,  G06F18/214 ,  G06N3/042 ,  G06N3/084 ,  G06N3/088

Abstract: 本发明提出一种基于差异感知的属性网络异常检测方法，属于图数据属性网络异常检测领域。传统异常检测方法对图数据的复杂交互欠缺挖掘的问题以及传统方法仅从单一视图角度采用重构误差衡量异常的问题，而提出的一种基于多视图差异感知的属性网络异常检测方法。本发明解决了传统的属性网络异常检测方法大多仅采用基于重构误差衡量异常所导致的参数敏感问题，同时创新性的将将属性网络异常检测问题重新定义为不同视图间图表示相关性的问题，方法中更加注重捕获属性网络中复杂的交互关系。将所提的网络模型应用于图属性网络异常检测实际任务中，能达到提升准确率的目的，实验结果验证了所提方法的有效性。